【量子位|长沙无人驾驶出租“轻车熟路”，Apollo仿真“训练有素”】( 四 ) 允中发自凹非寺量子位报道|公众号QbitA

文章图片
前文中，我们反复强调了数据对于仿真的重要性，仿真和路测并不是存在于不同验证阶段相互独立关系，更不是用仿真代替路测的替代关系。
Apollo百万公里级别的真实路测数据正是仿真优化的基础，仿真优化为算法迭代提供了更大的支持，更优的算法又进一步带来了更大规模的路测里程，而更大规模的路测里程又进一步提升了仿真效果——仿真和路测，在迭代闭环的两端，两者关系实际上一种相互依存相互促进，良性正循环的模式。
未来，全无人驾驶会彻底改变人们的生活。而现在，无人驾驶还只是一个在蹒跚学步的孩子。无人驾驶的仿真，其定位非常明确——它是这个孩子的老师，它需要承担起“支持无人驾驶技术快速成长”的重任。
长沙本地的“典型习题集”
最后，我们从仿真的世界回到现实，百度Apollo无人驾驶出租在长沙全面开放。
针对长沙的地域特殊性，或者实际运营中出现的突发情况，比如前面有人过马路怎么办、有老人拄着拐杖走的特别慢怎么办、碰到强行超车的司机怎么办、恶劣天气看不清路况怎么办、大量送外卖的摩托车行驶在附近怎么办……
在仿真系统里提供专门的“典型习题集” ，供AI反复训练测试，找出应对这类问题的最佳途径，不断迭代优化模型，让AI模型对此轻车熟路，提升自己的开车技巧，能够在真实场景中应对这类问题。
而且，这些场景出现的概率需要和长沙本地的情况一致，这样才能得到在长沙运行的真实效果。
比如说，在模拟长沙的仿真环境中，就有以下这些场景：
我在路上好好的跑，右边却突然杀过来一个骑摩托车逆行的配送员：

文章图片
雨下的很大，摄像头上都是雨滴，看不太清楚，路又特别堵，我好纠结要不要并道：

文章图片
瓢泼大雨让我的视线模糊，但前面有一辆临时停车的车子，我鼓起勇气试了试，成功绕了过去：

文章图片
像这样的场景， Apollo仿真平台从真实数据中提取出数千万个，可以说能在行车途中遇到的各种奇怪的人和车、诡异的天气、拥堵不堪的交通状况都囊括在内了。
有了这上千万道题目的“习题集” ， AI就可以反复在这些场景训练自己。
毕竟在真实的大马路上，不可能找几十辆车来当“群演” ，天天陪着自动驾驶车辆训练，而且万一撞坏了还要赔；而在虚拟的仿真环境里， AI可以无数次用这些“错题”来训练自己，不用担心撞坏，也不用担心“群演”下班，可以潜心修炼，找到最佳的应对方法。
因此，用这种“错题集”的方式来测试AI ，就好像每天都在做江苏高考数学题，久而久之水平就比做全国卷的同学高出一大截，训练质量也就高很多了。
所以，也是经过了这样虚拟和现实的无数次打磨， Apollo的工程师们也才敢让全民任意坐。
说个小秘密，在这些无人驾驶工程师眼里， AI系统可比人类可靠、稳定又安全多了。
你觉得呢？